お知らせ 2023年度・2024年度 学生員 会費割引キャンペーン実施中です
お知らせ 技術研究報告と和文論文誌Cの同時投稿施策(掲載料1割引き)について
お知らせ 電子情報通信学会における研究会開催について
お知らせ NEW 参加費の返金について
電子情報通信学会 研究会発表申込システム
講演論文 詳細
技報閲覧サービス
[ログイン]
技報アーカイブ
 トップに戻る 前のページに戻る   [Japanese] / [English] 

講演抄録/キーワード
講演名 2022-11-24 10:20
クロスサイロ連合学習における差分プライバシを考慮したインセンティブメカニズムによる社会的余剰最大化
宮越奨太橘 拓至福井大NS2022-101
抄録 (和) 複数の組織が参加するクロスサイロ連合学習では,多数の組織がローカルモデルの学習に参加することで,訓練データが増加してグローバルモデルの予測精度が向上する.各組織は訓練データを内部でのみ使用し,機械学習パラメータを公開・共有することで,所有データに関するプライバシを保護している.しかしながら,機械学習パラメータから訓練データを推定される可能性があり,差分プライバシを用いることで訓練データの推定を回避することができる.一方で,差分プライバシの利用はグローバルモデルの予測精度を低下させてしまい,他組織の差分プライバシによって獲得報酬が減少すると連合学習へ参加する意欲が抑制されてしまう.そこで本稿では,差分プライバシを用いたクロスサイロ連合学習において社会余剰最大化を達成するインセンティブメカニズムを提案する.提案するメカニズムでは,組織間で金銭移転を行うことでクロスサイロ連合学習への積極的な参加を促す.提案法の性能をシミュレーションで評価し,各組織が協力してプライバシを保護しながら社会余剰を最大化することを示す.さらに,各組織に対して,連合学習へ部分的に参加させることによる社会的余剰への効果も検証する. 
(英) In cross-silo federated learning, where multiple organizations participate, the prediction accuracy of the global model is improved by increasing the training data when a larger number of organizations participate in the learning of the local model. Each organization protects the privacy of its own data by using the training data only internally and disclosing and sharing the machine learning parameters. However, there is a possibility that the training data may be reconstructed from the machine learning parameters. This reconstruction can be avoided by using differential privacy. On the other hand, the prediction accuracy of the global model is reduced by using the differential privacy. The differential privacy of other organizations may reduce the number of participating organizations by decreasing the obtained revenue. Therefore, in this paper, we propose an incentive mechanism to maximize social surplus in cross-silo federated learning with differential privacy. The mechanism encourages active participation in cross-silo federated learning by transferring money between organizations. We evaluate the performance of the proposed method by simulation and show that each organization cooperates to maximize the social surplus while protecting privacy. We also examine whether partial participation of each organization in federated learning can further increase social surplus.
キーワード (和) 連合学習 / 差分プライバシ / インセンティブメカニズム / 分散アルゴリズム / / / /  
(英) Federated learning / Differential privacy / Incentive mechanism / Distributed algorithm / / / /  
文献情報 信学技報, vol. 122, no. 274, NS2022-101, pp. 7-12, 2022年11月.
資料番号 NS2022-101 
発行日 2022-11-17 (NS) 
ISSN Online edition: ISSN 2432-6380
著作権に
ついて
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します.(許諾番号:10GA0019/12GB0052/13GB0056/17GB0034/18GB0034)
PDFダウンロード NS2022-101

研究会情報
研究会 NS ICM CQ NV  
開催期間 2022-11-24 - 2022-11-25 
開催地(和) 福岡大学文系センター棟 + オンライン開催 
開催地(英) Humanities and Social Sciences Center, Fukuoka Univ. + Online 
テーマ(和) ネットワーク品質,ネットワーク計測・管理,ネットワーク仮想化,ネットワークサービス,ブロックチェーン,セキュリティ,ネットワークインテリジェンス・AI,一般 
テーマ(英) Network quality, Network measurement/management, Network virtualization, Network service, Blockchain, Security, Network intelligence/AI, etc. 
講演論文情報の詳細
申込み研究会 NS 
会議コード 2022-11-NS-ICM-CQ-NV 
本文の言語 日本語 
タイトル(和) クロスサイロ連合学習における差分プライバシを考慮したインセンティブメカニズムによる社会的余剰最大化 
サブタイトル(和)  
タイトル(英) Social Surplus Maximization Using Incentive Mechanism for Cross-Silo Federated Learning with Differential Privacy 
サブタイトル(英)  
キーワード(1)(和/英) 連合学習 / Federated learning  
キーワード(2)(和/英) 差分プライバシ / Differential privacy  
キーワード(3)(和/英) インセンティブメカニズム / Incentive mechanism  
キーワード(4)(和/英) 分散アルゴリズム / Distributed algorithm  
キーワード(5)(和/英) /  
キーワード(6)(和/英) /  
キーワード(7)(和/英) /  
キーワード(8)(和/英) /  
第1著者 氏名(和/英/ヨミ) 宮越 奨太 / Shota Miyagoshi / ミヤゴシ ショウタ
第1著者 所属(和/英) 福井大学 (略称: 福井大)
University of Fukui (略称: Univ. Fukui)
第2著者 氏名(和/英/ヨミ) 橘 拓至 / Takuji Tachibana / タチバナ タクジ
第2著者 所属(和/英) 福井大学 (略称: 福井大)
University of Fukui (略称: Univ. Fukui)
第3著者 氏名(和/英/ヨミ) / /
第3著者 所属(和/英) (略称: )
(略称: )
第4著者 氏名(和/英/ヨミ) / /
第4著者 所属(和/英) (略称: )
(略称: )
第5著者 氏名(和/英/ヨミ) / /
第5著者 所属(和/英) (略称: )
(略称: )
第6著者 氏名(和/英/ヨミ) / /
第6著者 所属(和/英) (略称: )
(略称: )
第7著者 氏名(和/英/ヨミ) / /
第7著者 所属(和/英) (略称: )
(略称: )
第8著者 氏名(和/英/ヨミ) / /
第8著者 所属(和/英) (略称: )
(略称: )
第9著者 氏名(和/英/ヨミ) / /
第9著者 所属(和/英) (略称: )
(略称: )
第10著者 氏名(和/英/ヨミ) / /
第10著者 所属(和/英) (略称: )
(略称: )
第11著者 氏名(和/英/ヨミ) / /
第11著者 所属(和/英) (略称: )
(略称: )
第12著者 氏名(和/英/ヨミ) / /
第12著者 所属(和/英) (略称: )
(略称: )
第13著者 氏名(和/英/ヨミ) / /
第13著者 所属(和/英) (略称: )
(略称: )
第14著者 氏名(和/英/ヨミ) / /
第14著者 所属(和/英) (略称: )
(略称: )
第15著者 氏名(和/英/ヨミ) / /
第15著者 所属(和/英) (略称: )
(略称: )
第16著者 氏名(和/英/ヨミ) / /
第16著者 所属(和/英) (略称: )
(略称: )
第17著者 氏名(和/英/ヨミ) / /
第17著者 所属(和/英) (略称: )
(略称: )
第18著者 氏名(和/英/ヨミ) / /
第18著者 所属(和/英) (略称: )
(略称: )
第19著者 氏名(和/英/ヨミ) / /
第19著者 所属(和/英) (略称: )
(略称: )
第20著者 氏名(和/英/ヨミ) / /
第20著者 所属(和/英) (略称: )
(略称: )
講演者 第1著者 
発表日時 2022-11-24 10:20:00 
発表時間 25分 
申込先研究会 NS 
資料番号 NS2022-101 
巻番号(vol) vol.122 
号番号(no) no.274 
ページ範囲 pp.7-12 
ページ数
発行日 2022-11-17 (NS) 


[研究会発表申込システムのトップページに戻る]

[電子情報通信学会ホームページ]


IEICE / 電子情報通信学会